8
BAB III
PELAKSANAAN KERJA MAGANG
3. Pelaksanaan Kerja Magang 3.1. Kedudukan, dan Koordinasi
Pelaksanaan kerja magang di perusahaan C.V. Supra Mandiri Abadi menjalankan kerja magang dengan posisi sebagai Data Analyst. Hasil dari proyek ini merupakan penyimapanan data dengan Pentaho MySQL, pemebentukan data mining, dan data visualisasi, untuk mendapatkan knowledge tersembunyi, Ibu Vivi Tricesiendy merupakan pembimbing lapangan magang yaitu juga sebagai direktur perusahaan.
3.2. Tugas yang Dilakukan
Tabel 3.1. Realisasi Kerja Magang MINGGU
KE
JENIS PEKERJAAN YANG DILAKUKAN MAHASISWA
1-4(July) Data Entry data penjualan dari tableau menuju ke komputerisasi menggunakan excel dan data barang masuk dari countainer mulai dari bulan Januari hingga Juli ke excel, dan menyimpan data penjualan dengan software pentaho mysql (Source of Record (SOR)) yang disimpan secara on premis, Dengan data barang masuk:
10/01/2020, HYIN200110, HYIN200112 14/05/2020, HYIN200428,
25/05/2020, HYIN200525, 30/06/2020, HYIN200705, 21/07/2020, HYIN200720
prediksi sales mulai dari Januari hingga Juli di update setiap bulan menggunakan software Rapid Miner algoritma Linear Regression (Source of Integration (SOI)), data visualisasi membuat grafik menggunakan tableau (Source of Analytics (SOA)).
5-8(Ags)
9 MINGGU
KE
JENIS PEKERJAAN YANG DILAKUKAN MAHASISWA
Data Entry data penjualan bulan Agustus dari tableau menuju ke komputerisasi menggunakan excel, dan menyimpan data penjualan dengan software pentaho mysql (Source of Record (SOR)) yang disimpan secara on premis, prediksi sales mulai Januari hingga Agustus di update setiap bulan menggunakan software Rapid Miner algoritma Linear Regression (Source of Integration (SOI)), data visualisasi membuat grafik menggunakan tableau (Source of Analytics (SOA)).
9-12(Sept) Data Entry data penjualan bulan September dari tableau menuju ke komputerisasi menggunakan excel, dan menyimpan data penjualan dan data barang masuk menggunakan dengan software pentaho mysql (Source of Record (SOR)) yang disimpan secara on premis, Dengan data barang masuk:
31/08/2020, HYIN200831 14/09/2020, HYIN200914
prediksi sales mulai dari Januari hingga September di update setiap bulan menggunakan software Rapid Miner algoritma Linear Regression (Source of Integration (SOI)), data visualisasi membuat grafik menggunakan tableau (Source of Analytics (SOA)).
13- 16(Okt)
Data Entry data penjualan bulan Oktober dari tableau menuju ke komputerisasi menggunakan excel, dan menyimpan data penjualan dengan software pentaho mysql (Source of Record (SOR)) yang disimpan secara on premis, prediksi sales mulai dari Januari hingga Oktober di update setiap bulan menggunakan software Rapid Miner algoritma Linear Regression (Source of Integration (SOI)), data visualisasi membuat grafik menggunakan tableau (Source of Analytics (SOA)).
17- 20(Nov)
Data Entry data penjualan bulan November dari tableau menuju ke komputerisasi menggunakan excel, dan menyimpan data penjualan dengan software pentaho mysql (Source of Record (SOR)) yang disimpan secara on premis, prediksi sales mulai dari Januari hingga November di update setiap bulan menggunakan software Rapid Miner algoritma Linear Regression (Source of Integration (SOI)), data visualisasi membuat grafik menggunakan tableau (Source of Analytics (SOA)).
10 MINGGU
KE
JENIS PEKERJAAN YANG DILAKUKAN MAHASISWA
21- 24(Des)
Data Entry data penjualan bulan November dari tableau menuju ke komputerisasi menggunakan excel, dan menyimpan data penjualan dengan software pentaho mysql (Source of Record (SOR)) yang disimpan secara on premis, prediksi sales mulai dari Januari hingga November di update setiap bulan menggunakan software Rapid Miner algoritma Linear Regression (Source of Integration (SOI)), data visualisasi membuat grafik menggunakan tableau (Source of Analytics (SOA)), dan klasifikasi dipakai di akhir magang neural network menggunakan sofware python.
Tabel 3.1. menjelaskan tentang tugas yang dilakukan selama pelaksanaan kerja magang.
Pada proses pelaksanaaan menggunakan beberapa perangkat lunak dan perangkat keras. Perangkat lunak yang digunakan adalah sebagai berikut:
1. Google Chrome 2. Microsoft Excel 3. Python
4. Rapid Miner 5. Tableau
Perangkat keras yang digunakan adalah sebagai berikut:
1. Processor Laptop: AMD Ryzen 5 3550H with Radeon Vega Mobile Gfx (8 CPUs), ~2.1GHz
2. VGA Laptop: Dual VGA, AMD Radeon (TM) Vega 8 Graphics, NVIDIA GeForce GTX 1050
11 3. Sistem Operasi Laptop: Windows 10 Home Single Language 64-bit
4. RAM Laptop: 16384MB RAM
3.2.1. SOR: Source of Record, Berupa Proses Pemasukan data, dan Pembuatan Tabel
Gambar 3.1. Table Output Data Pembelian dan Penjualan
Gambar 3.1. menjelaskan tentang output data ke table data_pembelian_dan_penjualan, sehingga csv yang diinputkan masuk ke dalam Pentaho MySQL, dengan kodingan yang ada di notes oranye.
12 Gambar 3.2. Table Output Data Kode Barang dan data Prediksi
Gambar 3.2. menjelaskan tentang output data ke tabel data_kode_barang, dan data_prediksi, sehingga csv yang diinput masuk ke dalam Pentaho MySQL, dengan kodingan yang ada di notes oranye.
13 Gambar 3.3. Bagian Data Pembelian dan Penjualan per Countainer
Gambar 3.3. menjelaskan tentang input data ke pentaho dari data_pembelian_dan_penjualan, sehingga tabel yang diinputkan masuk ke dalam software Pentaho MySQL, lalu melakukan pembuatan bagian kecil dari data, sehingga di filter, dan dimasukan ke dalam tabel baru sesuai kontainer barang masuk yang ada.
3.2.2. SOI: Source of Integration, Menentukan dan Menyertakan Tabel Fakta dan Dimensi, Disimpan Dalam MySQL Pentaho, dan Data Mining Masuk Kedalam Kategori SOI
14 Gambar 3.4. Kumpulan Tabel Penyimpanan Data
Gambar 3.4. menjelaskan tentang gambar semua tabel penyimpanan data Pentaho MySQL.
15 Gambar 3.5. Data Cleaning
Gambar 3.5. menjelasakan tentang data cleaning semua menggunakan read database, dan select attributes, set role untuk menentukan label, dan semua menggunakan remove duplicates untuk menghilangkan duplikasi data, dan update database setelah selesai cleaning data, khusus kolom data_prediksi, data_kode_barang mengunakan no missing labels, no missing attributes.
16 Gambar 3.6. Data Mining Linear Regression
Gambar 3.6. menjelaskan tentang data mining menggunakan Linear Regression, dengan read database menggunakan mysql, select attributes dengan memilih kolom mana yang dipakai, set role label, mengubah data real menjadi integer, real contohnya 11.23 atau -0.0001 menjadi integer contohnya 23, -5, atau 11,024,768, nominal to numerical, nominal contohnya semua jenis nilai teks, termasuk polynomial(seperti string, contohnya blue), dan binominal(true/false, atau yes/no), menggunakan Linear Regression, apply model, lalu memunculkan prediksi melalui model [2].
17 Gambar 3.7. Data Mining Linear Regression Retrieve Magang
Gambar 3.7. menjelaskan tentang konfigurasi retrieve magang, dengan koneksi yang sudah ditentukan sebelumnya.
18 Gambar 3.8. Data Mining Linear Regression Read Database
Gambar 3.8. menjelaskan tentang read database menggunakan query yang ditentukan dengan memencet tombol build SQL Query.
19 Gambar 3.9. Data Mining Linear Regression SQL Query
Gambar 3.9. menjelaskan tentang proses read database dengan menggunakan query SELECT * FROM `data_prediksi`.
20 Gambar 3.10. Data Mining Linear Regression Select attributes
Gambar 3.10. menjelaskan tentang pemilihan atribut/kolom, dengan filter type all atau semua atribut/kolom.
21 Gambar 3.11. Data Mining Linear Regression Set Role
Gambar 3.11. menjelaskan tentang penetuan role dengan target role label untuk attribut/kolom penjualan.
22 Gambar 3.12. Data Mining Linear Regression Real to Integer
Gambar 3.12. menjelaskan tentang mengubah data real menjadi integer yang data real merupakan angka fraksional contohnya 11.23 atau -0.0001 diubah menjadi integer merupakan keseluruhan angka bilangan bulat contohnya 23, -5, atau 11,024,768). [2]
23 Gambar 3.13. Data Mining Linear Regression Nominal to Numerical
Gambar 3.13. menjelaskan tentang mengubah data nominal yang semua jenis nilai teks, termasuk polynomial, dan binomial menjadi numerical yang semua jenis nilai angka, termasuk tanggal, waktu, bilangan bulat, dan bilangan real. [2]
24 Gambar 3.14. Data Mining Linear Regression
Gambar 3.14. menjelaskan tentang Linear Regression dengan konfigurasi normal dari software Rapid Miner, dengan feature selection M5 prime, centang eliminate colinear features, min tolerance 0.05, centang use bias, dengan ridge 1.0E-8.
25 Gambar 3.15. Data Mining Linear Regression Apply model
Gambar 3.15. menjelaskan tentang apply model untuk menghasilkan model Linear Regression untuk prediksi klasifikasi.
26 Gambar 3.16. Data Mining Linear Regression Performance
Gambar 3.16. menjelaskan tentang performance untuk menghasilkan model Linear Regression untuk prediksi klasifikasi, dengan memunculkan root mean squared error.
27 Gambar 3.17. Lanjutan Data Mining Linear Regression Performance
Gambar 3.17. menjelaskan tentang foto lanjutan dari gambar sebelumnya mengenai performance untuk regression untuk menghasilkan hasil model Linear Regression untuk prediksi klasifikasi, dengan memilih prediction average, dan skip undefined labels.
28 Gambar 3.18. Linear Regression Root Mean Squared Error
Gambar 3.18. menjelaskan tentang hasil model mendapatkan root mean squared error sebesar 49230.461 +/- 0.000, RMSE yang merupakan akar rerata kuadrat selisih dari variabel observasi dan prediktor. Model yang paling baik adalah model dengan nilai RMSE paling kecil.[3]
29 Gambar 3.19. Linear Regression Prediction Average
Gambar 3.19. menjelaskan tentang hasil model mendapatkan prediction average sebesar 107587.636+/-55915.518.
Tabel 3.2. Linear Regression Perbandingan Model
Tabel 3.2. menjelaskan tentang hasil model perbandingan tentang penjualan dan prediksi model.
Row No. Penjualan Prediction (Penjualan) Bulan 1 74436.0 65691.36364017238 0.0 2 148568.0 74070.61818486518 1.0 3 111596.0 82449.87272955797 2.0 4 26616.0 90829.12727425076 3.0 5 85.0 99208.38181894357 4.0 6 62126.0 107587.63636363635 5.0 7 155283.0 115966.89090832915 6.0 8 144576.0 124346.14545302195 7.0 9 142332.0 132725.39999771473 8.0 10 184386.0 141104.65454240754 9.0 11 133460.0 149483.90908710036 10.0
30 Gambar 3.20. Linear Regression Prediction
Gambar 3.20. menjelaskan tentang hasil model Linear Regression dengan grafik penjualan dan regression model prediksi, dengan linear function: 8379.254x+ 57312.109
Gambar 3.21. Linear Regression Apply Model Database Source
31 Gambar 3.21. menjelaskan tentang hasil model Linear Regression yang diprediksi dari database source SELECT * FROM
‘data_prediksi’.
Gambar 3.22. Training, and Validation Loss
Gambar 3.22. menjelaskan tentang hasil software python, dapat disimpulkan semakin banyaknya epoch atau hasil training ulang terus menerus, menyatakan bahwa semakin kecil loss yang dihasilkan terutama mulai konstan di epoch kesembilan, dari grafik tersebut dapat dilihat training loss dan validation loss ada berbeda jauh atau tidak signifikan pada hasil loss yang terjadi, walaupun di awal epoch mendapatkan training, dan validation loss yang tinggi.
32 Gambar 3.23. Training, and Validation Accuracy
Gambar 3.23. menjelaskan tentang hasil software python yaitu training accuracy meningkat sangat tinggi di epoch ke 2 yang hampir menyentuh 90% akurasinya, walaupun agak berbeda jauh, dan tidak sama antara training accuracy, dan validation accuracy, yang membuat di epoch pertama underfitting karena training accuracy lebih rendah dari validation accuracy, menjadi overfitting yaitu training accuracy lebih tinggi dari validation accuracy.
33 3.2.3. SOA: Source of Analytics, data Visualisasi
Gambar 3.24. Grafik Barchart Tableau Penjualan Januari
Gambar 3.24. menjelaskan tentang jumlah stok keluar Januari dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi, dan juga mendapatkan Average sebesar 1479,6 dengan grafik Barchart, untuk top 3 penjualan yang dihitung secara FIFO atau first in first out, yaitu pertama kode HongKong F0965S, atau kode lokal A6066Pi dengan deskripsi Rose Mekar x6 dengan jumlah penjualan 58392, kedua dengan kode Hong Kong PR020, atau kode lokal A70258PiB, atau deskripsi Rose x7 dengan penjualan 7758, ketiga F09585, A50107PIB, atau deskripsi Rose Mekar x5 dengan penjualan 3942.
34 Gambar 3.25. Grafik Treemaps Tableau Penjualan Januari
Gambar 3.25. menjelaskan tentang jumlah stok keluar Januari dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Treemaps.
Gambar 3.26. Grafik Packed Bubbles Tableau Penjualan Januari
35 Gambar 3.26. menjelaskan tentang jumlah stok keluar Januari dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Packed Bubbles.
Gambar 3.27. Grafik Heat Maps Tableau Penjualan Januari
Gambar 3.27. menjelaskan tentang jumlah stok keluar Januari dalam jumlah pieces, dengan hubungan antara tanggal, nomor countainer, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Heat Maps.
36 Gambar 3.28. Grafik Highlight Tables Tableau Penjualan Januari
Gambar 3.28. menjelaskan tentang jumlah stok keluar Januari dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Highlight Tables.
Gambar 3.29. Grafik Barchart Tableau Penjualan Februari
Gambar 3.29. menjelaskan tentang jumlah stok keluar
37 Februari dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Barchart, dan mendapatkan Average sebesar 2966,32, untuk top 3 penjualan yang dihitung secara FIFO atau first in first out, yaitu pertama kode HongKong F0965S, atau kode lokal A6066Pi dengan deskripsi Rose Mekar x6 dengan jumlah penjualan 78872, kedua dengan kode Hong Kong PR020, atau kode lokal A70258PiB, atau deskripsi Rose x7 dengan penjualan 45612, ketiga F09585, A50107PIB, atau deskripsi Rose Mekar x5 dengan penjualan 23460.
Gambar 3.30. Grafik Treemaps Tableau Penjualan Februari
Gambar 3.30. menjelaskan tentang jumlah stok keluar Februari dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan
38 grafik Treemaps.
Gambar 3.31. Grafik Packed Bubbles Tableau Penjualan Februari Gambar 3.31. menjelaskan tentang jumlah stok keluar Februari dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Packed Bubbles.
39 Gambar 3.32. Grafik Heat Maps Tableau Penjualan Februari
Gambar 3.32. menjelaskan tentang jumlah stok keluar Februari dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Heat Maps.
Gambar 3.33. Grafik Highlight Tables Tableau Penjualan Februari
40 Gambar 3.33. menjelaskan tentang jumlah stok keluar Februari dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Highlight Tables.
Gambar 3.34. Grafik Barchart Tableau Penjualan Maret
Gambar 3.34. menjelaskan tentang jumlah stok keluar Maret dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Barchart, dan mendapatkan Average sebesar 2226,28, untuk top 3 penjualan yang dihitung secara FIFO atau first in first out, yaitu pertama kode HongKong F0965S, atau kode lokal A6066Pi dengan deskripsi Rose Mekar x6 dengan jumlah penjualan 54293, kedua dengan kode Hong Kong PR020, atau kode lokal A70258PiB, atau deskripsi Rose x7 dengan penjualan 32847, ketiga F09585, A50107PIB, atau deskripsi
41 Rose Mekar x5 dengan penjualan 24006.
Gambar 3.35. Grafik Treemaps Tableau Penjualan Maret
Gambar 3.35. menjelaskan tentang jumlah stok keluar Maret dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Treemaps.
Gambar 3.36. Grafik Stacked Bubbles Tableau Penjualan Maret
42 Gambar 3.36. menjelaskan tentang jumlah stok keluar Maret dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Stacked Bubbles.
Gambar 3.37. Grafik Heat Maps Tableau Penjualan Maret
Gambar 3.37. menjelaskan tentang jumlah stok keluar Maret dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Heat Maps.
43 Gambar 3.38. Grafik Highlight Table Tableau Penjualan Maret
Gambar 3.38. menjelaskan tentang jumlah stok keluar Maret dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik highlight table.
Gambar 3.39. Grafik Barchart Tableau Penjualan April
Gambar 3.39. menjelaskan tentang jumlah stok keluar April
44 dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Barchart, dan juga Average sebesar 527,52. untuk top 3 penjualan yang dihitung secara FIFO atau first in first out, sayangnya hanya 1 tipe barang yang terjual bulan April ini, yaitu pertama kode pertama dengan kode Hong Kong PR020, atau kode lokal A70258PiB, atau deskripsi Rose x7 dengan penjualan 26376.
Gambar 3.40. Grafik Treemaps Tableau Penjualan April
Gambar 3.40. menjelaskan tentang jumlah stok keluar April dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Treemaps.
45 Gambar 3.41. Grafik Packed Bubbles Tableau Penjualan April
Gambar 3.41. menjelaskan tentang jumlah stok keluar April dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Packed Bubbles.
Gambar 3.42. Grafik Highlight Table Tableau Penjualan April Gambar 3.42. menjelaskan tentang jumlah stok keluar April
46 dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik highlight table.
Gambar 3.43. Grafik Barchart Tableau Penjualan Mei
Gambar 3.43. menjelaskan tentang jumlah stok keluar April dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Barchart Average sebesar 0, atau tidak ada penjualan.
47 Gambar 3.44. Grafik Barchart Tableau Penjualan Juni
Gambar 3.44. menjelaskan tentang jumlah stok keluar Juni dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Barchart, dan juga Average sebesar 951,78, untuk top 3 penjualan yang dihitung secara FIFO atau first in first out, pertama dengan kode Hong Kong PR020, atau kode lokal A70258PiB, atau deskripsi Rose x7 dengan penjualan 42252, kedua F09585, A50107PIB, atau deskripsi Rose Mekar x5 dengan penjualan 1920, ketiga yaitu dengan kode kode Hong Kong b58158, atau kode lokal pa5001i deskripsi illalang asesoris x5 dengan penjualan sebesar 741.
48 Gambar 3.45. Grafik Treemaps Tableau Penjualan Juni
Gambar 3.45. menjelaskan tentang jumlah stok keluar Juni dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Treemaps.
Gambar 3.46. Grafik Packed Bubbles Tableau Penjualan Juni Gambar 3.46. menjelaskan tentang jumlah stok keluar Juni
49 dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Packed Bubbles.
Gambar 3.47. Grafik Heatmaps Tableau Penjualan Juni
Gambar 3.47. menjelaskan tentang jumlah stok keluar Juni dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik heatmaps.
50 Gambar 3.48. Grafik Highlight Tables Tableau Penjualan Juni
Gambar 3.48. menjelaskan tentang jumlah stok keluar Juni dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Highlight Tables.
Gambar 3.49. Grafik Barchart Tableau Penjualan Juli
51 Gambar 3.49. menjelaskan tentang jumlah stok keluar Juli dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Barchart, dan mendapatkan Average sebesar 2844, untuk top 3 penjualan yang dihitung secara FIFO atau first in first out, yaitu pertama dengan kode Hong Kong PR020, atau kode lokal A70258PiB, atau deskripsi Rose x7 dengan penjualan 56112, kedua F09585, A50107PIB, atau deskripsi Rose Mekar x5 dengan penjualan 36900, ketiga kode HongKong F0965S atau kode lokal A6066Pi dengan deskripsi Rose Mekar x6 dengan jumlah penjualan 34704.
Gambar 3.50. Grafik Treemaps Tableau Penjualan Juli
Gambar 3.50. menjelaskan tentang jumlah stok keluar Juli dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Treemaps.
52 Gambar 3.51. Grafik Packed Bubbles Tableau Penjualan Juli
Gambar 3.51. menjelaskan tentang jumlah stok keluar Juli dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Packed Bubbles.
Gambar 3.52. Grafik Heat Maps Tableau Penjualan Juli
Gambar 3.52. menjelaskan tentang jumlah stok keluar Juli
53 dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Heat Maps.
Gambar 3.53. Grafik Highlight Tables Tableau Penjualan Juli Gambar 3.53. menjelaskan tentang jumlah stok keluar Juli dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Highlight Tables.
54 Gambar 3.54. Grafik Barchart Tableau Penjualan Agustus
Gambar 3.54. menjelaskan tentang jumlah stok keluar Agustus dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Barchart, dan mendapatkan Average sebesar 2723,66, untuk top 3 penjualan yang dihitung secara FIFO atau first in first out, yaitu pertama kode HongKong F0965S atau kode lokal A6066Pi dengan deskripsi Rose Mekar x6 dengan jumlah penjualan 61739, kedua dengan kode Hong Kong PR020 atau kode lokal A70258PiB atau deskripsi Rose x7 dengan penjualan 29400, ketiga F09585, A50107PIB, atau deskripsi Rose Mekar x5 dengan penjualan 22200.
55 Gambar 3.55. Grafik Treemaps Tableau Penjualan Agustus
Gambar 3.55. menjelaskan tentang jumlah stok keluar Agustus dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Treemaps.
Gambar 3.56. Grafik Packed Bubbles Tableau Penjualan Agustus
56 Gambar 3.56. menjelaskan tentang jumlah stok keluar Agustus dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Packed Bubbles.
Gambar 3.57. Grafik Heat Maps Tableau Penjualan Agustus
Gambar 3.57. menjelaskan tentang jumlah stok keluar Agustus dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Heat Maps.
57 Gambar 3.58. Grafik Highlight Tables Tableau Penjualan Agustus
Gambar 3.58. menjelaskan tentang jumlah stok keluar Agustus dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Highlight Tables.
Gambar 3.59. Grafik Barchart Tableau Penjualan September Gambar 3.59. menjelaskan tentang jumlah stok keluar
58 September dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Barchart, dan mendapatkan Average sebesar 2661,04, untuk top 3 penjualan yang dihitung secara FIFO atau first in first out, yaitu pertama kode HongKong F0965S, atau kode lokal A6066Pi dengan deskripsi Rose Mekar x6 dengan jumlah penjualan 47592, kedua F09585, A50107PIB, atau deskripsi Rose Mekar x5 dengan penjualan 35880, ketiga dengan kode Hong Kong PR020 atau kode lokal A70258PiB, atau deskripsi Rose x7 dengan penjualan 31815.
Gambar 3.60. Grafik Treemaps Tableau Penjualan September Gambar 3.60. menjelaskan tentang jumlah stok keluar September dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Treemaps.
59 Gambar 3.61. Grafik Packed Bubbles Tableau Penjualan September
Gambar 3.61. menjelaskan tentang jumlah stok keluar September dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Packed Bubbles.
Gambar 3.62. Grafik Heat Maps Tableau Penjualan September
60 Gambar 3.62. menjelaskan tentang jumlah stok keluar September dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Heat Maps.
Gambar 3.63. Grafik Highlight Tables Tableau Penjualan September Gambar 3.63. menjelaskan tentang jumlah stok keluar September dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Highlight Tables.
61 Gambar 3.64. Grafik Barchart Tableau Penjualan Oktober
Gambar 3.64. menjelaskan tentang jumlah stok keluar Oktober dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Barchart, Average sebesar 3329,58, untuk top 3 penjualan yang dihitung secara FIFO atau first in first out, yaitu pertama kode HongKong F0965S, atau kode lokal A6066Pi dengan deskripsi Rose Mekar x6 dengan jumlah penjualan 47592, kedua F09585, A50107PIB, atau deskripsi Rose Mekar x5 dengan penjualan 35880, ketiga dengan kode Hong Kong PR020, atau kode lokal A70258PiB, atau deskripsi Rose x7 dengan penjualan 31815.
62 Gambar 3.65. Grafik Treemaps Tableau Penjualan Oktober
Gambar 3.65. menjelaskan tentang jumlah stok keluar Oktober dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Treemaps.
Gambar 3.66. Grafik Packed Bubbles Tableau Penjualan Oktober
63 Gambar 3.66. menjelaskan tentang jumlah stok keluar Oktober dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Packed Bubbles.
Gambar 3.67. Grafik Heat Maps Tableau Penjualan Oktober
Gambar 3.67. menjelaskan tentang jumlah stok keluar Oktober dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Heat Maps.
64 Gambar 3.68. Grafik Highlight Tables Tableau Penjualan Oktober
Gambar 3.68. menjelaskan tentang jumlah stok keluar Oktober dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Highlight Tables.
Gambar 3.69. Grafik Barchart Tableau Penjualan November
65 Gambar 3.69. menjelaskan tentang jumlah stok keluar November dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Barchart, Average sebesar 2396,16. untuk top 3 penjualan yang dihitung secara FIFO atau first in first out, yaitu pertama F09585, A50107PIB, atau deskripsi Rose Mekar x5 dengan penjualan 59715, kedua dengan kode Hong Kong PR020, atau kode lokal A70258PiB, atau deskripsi Rose x7 dengan penjualan 31332, ketiga dengan kode Hong Kong s37220, dengan kode lokal PA3015i, dengan deskrisp baby breath plastik, dengan penjualan sebesar 4320.
Gambar 3.70. Grafik Treemaps Tableau Penjualan November Gambar 3.70. menjelaskan tentang jumlah stok keluar November dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan
66 grafik Treemaps.
Gambar 3.71. Grafik Packed Bubbles Tableau Penjualan November Gambar 3.71. menjelaskan tentang jumlah stok keluar November dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Packed Bubbles.
Gambar 3.72. Grafik Heat Maps Tableau Penjualan November
67 Gambar 3.72. menjelaskan tentang jumlah stok keluar November dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Heat Maps.
Gambar 3.73. Grafik Highlight Tables Tableau Penjualan November Gambar 3.73. menjelaskan tentang jumlah stok keluar November dalam jumlah pieces, dengan hubungan antara tanggal, nomor Rose, kode Hong Kong, kode lokal, dan deskripsi dengan grafik Highlight Tables.
68 Gambar 3.74. Grafik Barchart Tableau Penjualan 11 Bulan
Gambar 3.74. menjelaskan tentang total penjualan dalam 11 bulan, dengan Average 107.587,63, dan tertinggi pada bulan Oktober yaitu 184.386 pieces, tertinggi kedua yaitu bulan 7 atau bulan Juli sebesar 155.283 pieces, dan tertinggi ketiga yaitu Februari yaitu sebesar 148.568 pieces.
3.3. Kendala yang Dihadapi
Selama pengerjaan kerja magang di C.V. Supra Mandiri Abadi, ditemukan beberapa masalah atau kendala sebagai berikut:
1. Hambatan dalam pengerjaan data mining pada pemilihan algoritma, karena algoritma neural network di Rapid Miner kalau ingin mendapatkan akurasi, label harus berupa teks.
2. Selama proses pengerjaan penyimpanan data menggunakan software pentaho ada kendala pada length data yang tidak otomatis dari csv file input.
69 3.4. Solusi Atas Kendala
Selama pengerjaan kerja magang di C.V. Supra Mandiri Abadi, ditemukan beberapa solusi kendala sebagai berikut:
1. Memakai software python untuk label angka untuk penyelesaian data mining algoritma neural network.
2. Selama proses pengerjaan database menggunakan software pentaho ada kendala pada length data yang tetap diisi secara manual karena tidak otomatis dari csv file input dimana belajar juga ternyata ada beberapa tipe data yang memiliki panjang data maksimum.
